【发明内容】
本发明的目的在于克服上述现有技术的不足,提供一种基于深度学习的套牌车分析方法,其旨在解决现有技术中套牌车辆识别准确度较低、识别速度较慢的技术问题。
为实现上述目的,本发明提出了一种基于深度学习的套牌车分析方法,该方法基于车辆识别系统获取结构化过车记录及获取记录的位置,利用时空规则,提取出疑似套牌车;并根据疑似套牌车的车辆图片,通过二次识别,根据分类判别方法判定出套牌车,具体步骤如下:
A)、初始化:从车辆识别系统中获取相同车牌的结构化过车记录和记录的位置,并输出一对结构化数据;
B)、疑似套牌车提取:根据步骤一中的一对结构化数据,利用时空规则提取出疑似套牌车;
C)、车辆二次识别:从车辆识别系统中获取疑似套牌车的车辆图片,并提取出对应疑似套牌车的图片特征,将疑似套牌车的图片特征作为二次识别的特征,分别与车辆管理部门该车牌所对应注册的车辆图片特征比对,进行疑似套牌车的二次识别,并采用分类判别的方法判定疑似套牌车是否为套牌车,并输出判定结果。
作为优选,所述的车辆识别系统包括卡口系统,当车辆识别系统为卡口系统时,所述的记录的位置为卡口设置的地理位置。
作为优选,所述的步骤二中的时空规则为所述的|d1-d2|为步骤一中过车记录的位置之间的最短路程,所述的|s1-s2|为步骤一中过车记录之间的时间差,所述的θ为设定的阈值。
作为优选,当过车记录的位置之间的最短路程|d1-d2|与过车记录之间的时间差|s1-s2|之比大于设定的阈值θ时,则可以判定为疑似套牌车。
作为优选,所述的θ是由相关道路的最高限速信息所设定的最大行驶速度。
作为优选,所述的步骤三中对应疑似套牌车的图片特征包括车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓,所述步骤三中的二次识别可采用深度学习法,所述的步骤三中的分类判别方法具体步骤为:
a)、根据车辆管理部门该车牌所对应注册的车辆图片特征建立特征模型f(F0),并设定特征相似度阈值σ;
b)、根据疑似套牌车的车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓等图片特征建立疑似套牌车模型f(Fx);
c)、将疑似套牌车模型f(Fx)与特征模型f(F0)一一进行比对,计算各特征的相似度;
d)、累计各特征的相似度,得到疑似套牌车模型f(Fx)的总特征相似度,若总特征相似度小于特征相似度阈值σ,则判定该疑似套牌车为套牌车辆;若比对总特征相似度大于等于特征相似度阈值σ,则判定该车辆不为套牌车辆。
本发明的有益效果:与现有技术相比,本发明提供的一种基于深度学习的套牌车分析方法,采用时空规则和深度学习相结合的方法来达到套牌车辆的准确识别,解决了仅采用时空规则分析导致的准确度较低,无法排除车牌识别错误的问题,导致误判的情况;而仅采用车辆特征的识别,导致数据庞大,记标速度受限,识别较慢,通过时空规则进行初判,然后通过深度学习建立模型,进行车辆车型的识别工作,采用时空规则与深度学习相结合,识别精度更高、训练好之后进行识别图片所需的计算时间更短,大大提高了车辆的识别准确度和识别速度,提高套牌车辆的识别效果。
本发明的特征及优点将通过实施例进行详细说明。
【具体实施方式】
为使本发明的目的、技术方案和优点更加清楚明了,下面通过实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明实施例提供一种基于深度学习的套牌车分析方法,该方法基于车辆识别系统获取结构化过车记录及获取记录的位置,利用时空规则,提取出疑似套牌车;并根据疑似套牌车的车辆图片,通过二次识别,根据分类判别方法判定出套牌车,具体步骤如下:
A)、初始化:从车辆识别系统中获取相同车牌的结构化过车记录和记录的位置,并输出一对结构化数据;
B)、疑似套牌车提取:根据步骤一中的一对结构化数据,利用时空规则提取出疑似套牌车;
C)、车辆二次识别:从车辆识别系统中获取疑似套牌车的车辆图片,并提取出对应疑似套牌车的图片特征,将疑似套牌车的图片特征作为二次识别的特征,分别与车辆管理部门该车牌所对应注册的车辆图片特征比对,进行疑似套牌车的二次识别,并采用分类判别的方法判定疑似套牌车是否为套牌车,并输出判定结果。
具体地,所述的车辆识别系统包括卡口系统,当车辆识别系统为卡口系统时,所述的记录的位置为卡口设置的地理位置。
进一步地,所述的步骤二中的时空规则为所述的|d1-d2|为步骤一中过车记录的位置之间的最短路程,所述的|s1-s2|为步骤一中过车记录之间的时间差,所述的θ为设定的阈值,当过车记录的位置之间的最短路程|d1-d2|与过车记录之间的时间差|s1-s2|之比大于设定的阈值θ时,则可以判定为疑似套牌车,所述的θ是由相关道路的最高限速信息所设定的最大行驶速度。
更进一步地,所述的步骤三中对应疑似套牌车的图片特征包括车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓,所述步骤三中的二次识别可采用深度学习法,所述的步骤三中的分类判别方法具体步骤为:
a)、根据车辆管理部门该车牌所对应注册的车辆图片特征建立特征模型f(F0),并设定特征相似度阈值σ;
b)、根据疑似套牌车的车牌颜色、车辆颜色、车辆车标、车头灯轮廓、车前脸轮廓、外形轮廓等图片特征建立疑似套牌车模型f(Fx);
c)、将疑似套牌车模型f(Fx)与特征模型f(F0)一一进行比对,计算各特征的相似度;
d)、累计各特征的相似度,得到疑似套牌车模型f(Fx)的总特征相似度,若总特征相似度小于特征相似度阈值σ,则判定该疑似套牌车为套牌车辆;若比对总特征相似度大于等于特征相似度阈值σ,则判定该车辆不为套牌车辆。
在本发明实施例中,从车辆识别系统中获取得到相同车牌的车辆先后或同时在A卡口、B卡口经过,则根据A卡口至B卡口的最短距离|d1-d2|和经过A卡口和B卡口的时间差|s1-s2|,通过时空规则计算得到数值,若该数值大于设定的阈值θ时,则可以判定为疑似套牌车,所述的θ是由相关道路的最高限速信息所设定的最大行驶速度。
但上述情况包含特殊情况,即车辆识别系统出现车牌识别错误的问题或者两个卡口之间距离非常近,可实现同时经过的情况,则时空规则对该特殊情况无法做出准确的判断。
针对上述的特殊情况,采用车辆二次识别来作进一步判断,二次识别采用深度学习法来达到准确提取特征的目的,根据疑似套牌车的车牌号查找到车辆管理部门该车牌所对应注册的车辆图片,并建立特征模型f(F0),采用分类判别的方法依次进行以下对比分析:
(1)将疑似套牌车模型f(Fx)的车牌颜色与特征模型f(F0)的车牌颜色对比分析,并计算相似度;
(2)将疑似套牌车模型f(Fx)的车辆颜色与特征模型f(F0)的车辆颜色对比分析,并计算相似度;
(3)将疑似套牌车模型f(Fx)的车辆车标与特征模型f(F0)的车辆车标对比分析,并计算相似度;
(4)将疑似套牌车模型f(Fx)的车头灯轮廓与特征模型f(F0)的车头灯轮廓对比分析,并计算相似度;
(5)将疑似套牌车模型f(Fx)的车前脸轮廓与特征模型f(F0)的车前脸轮廓对比分析,并计算相似度;
(6)将疑似套牌车模型f(Fx)的外形轮廓与特征模型f(F0)的外形轮廓对比分析,并计算相似度;
累计以上各特征的相似度得到疑似套牌车模型f(Fx)的总特征相似度,若总特征相似度大于设定的特征相似度阈值σ,则判定该疑似套牌车为套牌车辆;若总特征相似度大于等于特征相似度阈值σ,则判定该车辆不为套牌车辆。
本发明一种基于深度学习的套牌车分析方法,采用时空规则和二次识别相结合的方法来达到套牌车辆的准确识别,解决了仅采用时空规则分析导致的准确度较低,无法排除车牌识别错误的问题,导致误判的情况;而仅采用车辆特征的识别,导致数据庞大,记标速度受限,识别较慢,通过时空规则进行初判,然后通过深度学习建立模型,进行车辆车型的识别工作,采用时空规则与深度学习相结合,识别精度更高、训练好之后进行识别图片所需的计算时间更短,大大提高了车辆的识别准确度和识别速度,提高套牌车辆的识别效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。